Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2023/2024
UPOZORNĚNÍ: Jsou dostupné studijní plány pro následující akademický rok.

Algoritmy a struktury neuropočítačů

Předmět není vypsán Nerozvrhuje se
Kód Zakončení Kredity Rozsah Jazyk výuky
A0M31ASN Z,ZK 5 2P+2C česky
Garant předmětu:
Přednášející:
Cvičící:
Předmět zajišťuje:
katedra teorie obvodů
Anotace:

Cílem předmětu je seznámení se základními principy a možností aplikací neuronové informační technologie při zpracování signálů. Pozornost je věnována úvodu do teorie umělých neuronových sítí a jejich aplikacím, optimalizaci struktury, výběru dat, otázce klasifikace. Podrobněji budou probírány otázky zpracování řečového signálu a aplikace umělých neuronových sítí při analýze, rozpoznávání a syntéze řeči. Látka je rozšířena o některé aplikace umělých neuronových sítí v biomedicínském inženýrství. Jsou to aplikace související se zpracováním EEG a EKG, ale také otázky související s možnostmi aplikací UNS v rehabilitačním lékařství. Další rozšíření se týká základů realizací umělých neuronových sítí.

Výsledek studentské ankety předmětu je zde: http://www.fel.cvut.cz/anketa/aktualni/courses/A0M31ASN

Požadavky:

Jsou požadovány základní znalosti ze zpracování řečového a obrazového signálu, MATLAB, aplikace počtu pravděpodobnosti a statistiky. Podmínkou zápočtu je aktivní účast na cvičeních a vypracování samostatné úlohy. Více na http://amber.feld.cvut.cz/SSC.

Osnova přednášek:

1. Neuronové sítě - historie, biologické a umělé NS, jejich využití pro zpracování

signálů. Modely neuronu, aktivační funkce.

2. Topologie, principy učení umělých neuronových sítí. Samoorganizující se sítě (SOM), Kohonenovy mapy

(KSOM).

3. SOM, SOM s učitelem, vizualizace map (U-mapy), LVQ klasifikátor.

4. Vícevrstvé sítě - dopředné a Elmanovy, MLNN s učením zpětného šíření chyby (BPG).

5. Základní učení BPG a jeho modifikace.

6. Hluboké neuronové sítě (Deep neural networks).

7. Optimalizace struktury, Metody Data Mining, klestění neuronové sítě, výběr vstupních dat.

8. Učení SVM (Support Vector Machine).

9. UNS a úlohy predikce a klasifikace.

10. Aplikace UNS při zpracování řeči a analýze emocí. Základní pojmy z fonetiky, charakteristiky mluvené

řeči, charakteristické vlastnosti patologické řeči.

11. Syntezátory řeči. Rozpoznání obrazu.

12. Aplikace UNS v neurologii, rehabilitačním lékařství a ve vybraných dalších odvětvích medicíny.

13. Speciální struktury UNS, fuzzy-neuronové sítě, genetické algoritmy.

14. Realizace umělých neuronových sítí. Neuropočítače. Ostatní aplikace neuronových sítí.

Osnova cvičení:

1. Úvod, základy NN-Toolboxu pro MATLAB, informace o samostatných úlohách.

2. Základní funkce UNS, perceptron, ADALINE, MADALINE, LMS pravidlo.

3. Samoorganizující se sítě, SOM s učitelem, U-matice. NN Toolbox, MATLAB.

4. Kohonenovy mapy - SOM Toolbox.. LVQ algoritmy - NN Toolbox, MATLAB.

5. Vrstevnaté neuronové sítě. Zadání samostatných úloh.

6. Algoritmy modifikovaného učení BPG.

7. Hluboké neuronové sítě.

8. Experimenty s programovým systémem Speech Laboratory. Práce na samostatné úloze.

9. Odevzdání a prezentace tezí samostatné úlohy - kontrola.

10. Optimalizace neuronové sítě klestěním. Práce na samostatné úloze.

11. Experimentování s parametry neuronové sítě. Práce na samostatné úloze.

12. Experimenty s programovým systémem SOM Toolbox. Práce na samostatné úloze.

13. Práce na samostatné úloze.

14. Odevzdání samostatné úlohy, zápočet.

Cíle studia:

V počítačově seminárních cvičeních studenti získají praktické zkušenosti s používáním MATLABu, a to Neural Network Toolboxu, a originálního softwaru vytvořeného na katedře v pracovní skupině LANNA, který se týká aplikací MLNN, SOM a jejich variant. Naší snahou je umožnit studentům seznámit se s perspektivními tematickými oblastmi běžnými v zahraničí a pomoci orientovat se budoucím diplomantům v dalších možných tématech diplomových prací z oblasti zpracování signálů za pomoci neuronových sítí, zejména na analýzu, rozpoznání, syntézu řeči (normální i patologické) a na analýzu emocí.

Studijní materiály:

1. Tučková, J.: Vybrané aplikace umělých neuronových sítí při zpracování signálů. Monografie, ČVUT v Praze, Česká technika-nakladatelství ČVUT, 2009, ISBN 976-80-01-04229-8

2. Tučková, J.: Úvod do teorie a aplikací umělých neuronových sítí. Skripta FEL ČVUT v Praze, vydavatelství ČVUT, 2005, ISBN 80-01-02800-3.

3. Tučková, J., Bártů, M., Zetocha, P.: Aplikace umělých neuronových sítí při zpracování signálů.Skripta ČVUT v Praze, 2009, ISBN 978-80-01-04400-1.

4. Novák, M. a kol.: Umělé neuronové sítě, teorie a aplikace. C.H.Beck, Praha 1998, ISBN 80-7179-732-6.

5. Knihovna SOM Toolbox 2.0. www.cis.hut.fi/projects/somtoolbox/download.

6. Šnorek, M. Jiřina, M.: Neuronové sítě a neuropočítače. Skripta ČVUT, Praha 1996.

7. Uhlíř, J., Sovka, P.: Číslicové zpracování signálů. Monografie ČVUT, Praha 1995.

Poznámka:

Rozsah výuky v magisterské etapě studia: 14p+14c

Další informace:
https://moodle.fel.cvut.cz/courses/A0M31ASN
Pro tento předmět se rozvrh nepřipravuje
Předmět je součástí následujících studijních plánů:
Platnost dat k 27. 3. 2024
Aktualizace výše uvedených informací naleznete na adrese https://bilakniha.cvut.cz/cs/predmet12526304.html